/ Модель

Характеристики

Контекст
262 144 токена
Параметры
689 млн
Лицензия
MIT
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
12 янв 2026

Qwen3-Coder-30B-A3B-DFlash

Генерация текстаТекст → текст3 профессии

Черновая модель DFlash для ускорения генерации кода в связке с Qwen3-Coder-30B-A3B-Instruct посредством спекулятивного декодирования.

821скачиваний за 30 дней35лайковвеса обновлены7 апр 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Qwen3-Coder-30B-A3B-DFlash — вспомогательная модель DFlash от z-lab для ускорения генерации кода. Это лёгкая черновая модель на основе блочной диффузии: она параллельно предлагает блоки токенов, которые затем проверяет целевая модель Qwen/Qwen3-Coder-30B-A3B-Instruct. Модель предназначена для работы в связке с этой целевой моделью и не является самостоятельной заменой ей.

В карточке указано обучение на 289 тысячах примеров кода и следов выполнения Cline. В тестах SGLang на одном GPU B200 авторы сообщают об ускорении относительно обычной авторегрессионной генерации на HumanEval, MBPP и LiveCodeBench. Эти показатели относятся к описанной конфигурации и аппаратуре; фактическое ускорение зависит от целевой модели, оборудования и настроек спекулятивного декодирования. Метаданные указывают 688,7 млн параметров и контекст 262 144 токена; архитектура обозначена как DFlashDraftModel семейства Qwen3. Лицензия — MIT.

Сценарии применения

  • ускорение генерации кода в Qwen3-Coder-30B-A3B-Instruct
  • ускорение ответов на задачи HumanEval
  • ускорение генерации решений для MBPP
  • ускорение генерации кода для LiveCodeBench

Ограничения

Модель является черновым компонентом и требует целевую Qwen/Qwen3-Coder-30B-A3B-Instruct и совместимую среду спекулятивного декодирования. Приведённые показатели производительности получены в конкретной конфигурации на GPU B200 и не гарантируют такого же ускорения на другом оборудовании.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-Coder-30B-A3B-DFlash

Paper | GitHub | Blog

DFlash is a novel speculative decoding method that utilizes a lightweight block diffusion model for drafting. It enables efficient, high-quality parallel drafting that pushes the limits of inference speed.

This model is the drafter component. It must be used in conjunction with the target model Qwen/Qwen3-Coder-30B-A3B-Instruct.

📊 Training Data & Efficiency

Qwen3-Coder-30B-A3B-DFlash is trained on 289K samples, composed of:

Despite being trained on significantly less data, DFlash already outperforms EAGLE-3 in inference acceleration. In comparison, lmsys/SGLang-EAGLE3-Qwen3-Coder-30B-A3B-Instruct-SpecForge is trained on the open-perfect-blend dataset with 1.4M samples, nearly 5× more data than DFlash.

This result highlights the training efficiency and scalability of DFlash, and suggests that further scaling the training data can unlock even greater acceleration gains.

🚀 Quick Start

SGLang

Installation

uv pip install "git+https://github.com/sgl-project/sglang.git@refs/pull/20547/head#subdirectory=python"

Launch Server

# Optional: enable schedule overlapping (experimental, may not be stable)
# export SGLANG_ENABLE_SPEC_V2=1
# export SGLANG_ENABLE_DFLASH_SPEC_V2=1
# export SGLANG_ENABLE_OVERLAP_PLAN_STREAM=1

python -m sglang.launch_server \
    --model-path Qwen/Qwen3-Coder-30B-A3B \
    --speculative-algorithm DFLASH \
    --speculative-draft-model-path z-lab/Qwen3-Coder-30B-A3B-DFlash \
    --tp-size 1 \
    --dtype bfloat16 \
    --attention-backend fa3 \
    --mem-fraction-static 0.75 \
    --trust-remote-code

Usage

from openai import OpenAI

client = OpenAI(base_url="http://localhost:30000/v1", api_key="EMPTY")

response = client.chat.completions.create(
    model="Qwen/Qwen3-Coder-30B-A3B",
    messages=[{"role": "user", "content": "Write a quicksort in Python."}],
    max_tokens=2048,
    temperature=0.0,
)
print(response.choices[0].message.content)

vLLM

Installation

uv pip install vllm
uv pip install -U vllm --torch-backend=auto --extra-index-url https://wheels.vllm.ai/nightly

Launch Server

vllm serve Qwen/Qwen3-Coder-30B-A3B \
  --speculative-config '{"method": "dflash", "model": "z-lab/Qwen3-Coder-30B-A3B-DFlash", "num_speculative_tokens": 15}' \
  --attention-backend flash_attn \
  --max-num-batched-tokens 32768

Usage

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")

response = client.chat.completions.create(
    model="Qwen/Qwen3-Coder-30B-A3B",
    messages=[{"role": "user", "content": "Write a quicksort in Python."}],
    max_tokens=2048,
    temperature=0.0,
)
print(response.choices[0].message.content)

Transformers

Installation

pip install transformers==4.57.3 torch==2.9.0 accelerate

Inference

from transformers import AutoModel, AutoModelForCausalLM, AutoTokenizer

model = AutoModel.from_pretrained(
    "z-lab/Qwen3-Coder-30B-A3B-DFlash", 
    trust_remote_code=True, 
    dtype="auto", 
    device_map="cuda:0"
).eval()

target = AutoModelForCausalLM.from_pretrained(
    "Qwen/Qwen3-Coder-30B-A3B-Instruct", 
    dtype="auto", 
    device_map="cuda:0"
).eval()

tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen3-Coder-30B-A3B-Instruct")
prompt = "Please provide a Python implementation of the Bubble Sort algorithm."
messages = [
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=False
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generate_ids = model.spec_generate(
    input_ids=model_inputs["input_ids"], 
    max_new_tokens=2048, 
    temperature=0.0, 
    target=target, 
    stop_token_ids=[tokenizer.eos_token_id]
)

print(tokenizer.decode(generate_ids[0], skip_special_tokens=True))

Evaluation

DFlash consistently achieves high acceptance lengths and speedups across different concurrency levels. DFlash achieves similar acceptance length for both the bfloat16 target model and its FP8 variant Qwen3-Coder-30B-A3B-Instruct-FP8. All experiments are conducted using SGLang on a single B200 GPU.

We use a block size of 16 during speculation. You can specify different block size during inference by passing --speculative-num-draft-tokens arguments when launch the server.

HumanEval

Batch SizeMethodOutput Throughput (tokens/s)Acceptance LengthSpeedup vs. AR
1Autoregressive2291.001.00×
1DFlash8028.093.5×
4Autoregressive6861.001.00×
4DFlash20788.093.0×
8Autoregressive10681.001.00×
8DFlash34428.093.2×
16Autoregressive16811.001.00×
16DFlash54298.093.2×
32Autoregressive27131.001.00×
32DFlash83148.093.1×

MBPP

Batch SizeMethodOutput Throughput (tokens/s)Acceptance LengthSpeedup vs. AR
1Autoregressive2281.001.00×
1DFlash7207.233.2×
4Autoregressive6821.001.00×
4DFlash20527.233.0×
8Autoregressive10571.001.00×
8DFlash33607.233.2×
16Autoregressive16971.001.00×
16DFlash55227.233.3×
32Autoregressive27351.001.00×
32DFlash85387.233.1×

LiveCodeBench

Batch SizeMethodOutput Throughput (tokens/s)Acceptance LengthSpeedup vs. AR
1Autoregressive2201.001.00×
1DFlash5696.422.6×
4Autoregressive6811.001.00×
4DFlash16216.422.4×
8Autoregressive11121.001.00×
8DFlash25546.422.3×
16Autoregressive17331.001.00×
16DFlash41606.422.4×
32Autoregressive28231.001.00×
32DFlash64016.422.3×

Acknowledgement

We are grateful to Yotta Labs for their compute support in training this draft model.

Citation

If you find DFlash useful for your research or applications, please cite our project.

@misc{chen2026dflash,
  title         = {DFlash: Block Diffusion for Flash Speculative Decoding},
  author        = {Chen, Jian and Liang, Yesheng and Liu, Zhijian},
  year          = {2026},
  eprint        = {2602.06036},
  archivePrefix = {arXiv},
  primaryClass  = {cs.CL},
  url           = {https://arxiv.org/abs/2602.06036}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
DFlashDraftModel
Ревизия весов
98ca0e3

0 моделей